亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        偏好感知的邊云協(xié)同群智感知參與者選擇策略

        2022-04-26 06:20:58王汝言崔亞平
        關(guān)鍵詞:群智參與者節(jié)點(diǎn)

        王汝言,劉 佳,何 鵬,崔亞平

        (1.重慶郵電大學(xué) 通信與信息工程學(xué)院,重慶 400065;2.重慶高校市級(jí)光通信與網(wǎng)絡(luò)重點(diǎn)實(shí)驗(yàn)室,重慶 400065;3.泛在感知與互聯(lián)重慶市重點(diǎn)實(shí)驗(yàn)室,重慶 400065)

        近年來,隨著移動(dòng)智能設(shè)備的普及和嵌入式傳感器的發(fā)展,移動(dòng)群智感知(Mobile Crowd Sensing,MCS)[1-3]已經(jīng)成為一種有效的物聯(lián)網(wǎng)數(shù)據(jù)收集范式。另外,無線通信技術(shù)的快速發(fā)展[4-5](比如未來B5G和6G移動(dòng)通信網(wǎng)絡(luò)等)使得網(wǎng)絡(luò)容量和傳輸速率進(jìn)一步突破,這將顯著地提高群智感知數(shù)據(jù)收集的效率。傳統(tǒng)的移動(dòng)群智感知系統(tǒng)依賴集中式服務(wù)器處理來自大量參與者提供的感知數(shù)據(jù),在大規(guī)模移動(dòng)群智感知部署情況下,這種體系結(jié)構(gòu)消耗大量計(jì)算資源。若集中式服務(wù)器遠(yuǎn)離感知區(qū)域,用戶和服務(wù)器間通信則會(huì)增加數(shù)據(jù)和信息傳輸?shù)难舆t,這會(huì)阻礙移動(dòng)群智感知下實(shí)時(shí)數(shù)據(jù)收集[6]。近年來,隨著移動(dòng)邊緣計(jì)算(Mobile Edge Computing,MEC)技術(shù)的發(fā)展,結(jié)合邊緣計(jì)算的移動(dòng)群智感知架構(gòu)已經(jīng)被提出[7]。在移動(dòng)群智感知中,邊緣節(jié)點(diǎn)用于處理移動(dòng)設(shè)備和云服務(wù)器之間的數(shù)據(jù),用戶實(shí)時(shí)狀態(tài)更新發(fā)生在移動(dòng)設(shè)備附近,用戶收集的感知數(shù)據(jù)由最近的邊緣節(jié)點(diǎn)處理,因此可以減少信息傳播和通信時(shí)延,有效支持實(shí)時(shí)的移動(dòng)群智感知場(chǎng)景[8]。

        在大量的用戶群體中,如何選擇最有效的用戶子集作為參與者執(zhí)行感知任務(wù)是移動(dòng)群智感知面臨的關(guān)鍵問題[9-11]?,F(xiàn)有工作[12-13]通常從平臺(tái)的角度出發(fā)選擇參與者完成任務(wù),滿足其不同的優(yōu)化目標(biāo),包括最小化感知成本和用戶移動(dòng)距離、最大化任務(wù)覆蓋等。這種策略沒有考慮用戶感知能力差異。還有部分文獻(xiàn)[14-15]考慮了用戶的社會(huì)屬性去選擇參與者,但忽視了用戶對(duì)不同任務(wù)的偏好這一關(guān)鍵因素。在現(xiàn)實(shí)中,由于任務(wù)的位置、時(shí)間、類型等差異,用戶更想要執(zhí)行自己偏好的任務(wù)。不恰當(dāng)?shù)娜蝿?wù)分配使用戶和平臺(tái)雙方都不滿意,這在很大程度上影響用戶執(zhí)行任務(wù)的態(tài)度和積極性,降低了群智感知系統(tǒng)的性能。這些問題在結(jié)合移動(dòng)邊緣計(jì)算的移動(dòng)群智感知架構(gòu)下變得更為復(fù)雜,參與者選擇過程應(yīng)該由云平臺(tái)和邊緣節(jié)點(diǎn)共同執(zhí)行以發(fā)揮各自的優(yōu)勢(shì)。

        關(guān)于群智感知中的參與者選擇問題,國內(nèi)外的學(xué)者和研究機(jī)構(gòu)已經(jīng)做了大量研究。文獻(xiàn)[16]考慮多個(gè)參與者方面的因素和任務(wù)的多維異構(gòu)性而選擇參與者最大化系統(tǒng)效用,又考慮了任務(wù)覆蓋質(zhì)量和參與者任務(wù)完成可能性,但并沒有關(guān)注任務(wù)預(yù)算和感知成本。文獻(xiàn)[17]提出一種多任務(wù)分配框架,考慮參與者意向移動(dòng)和非意向移動(dòng),分別為時(shí)間敏感型任務(wù)和延遲容忍型任務(wù)而選擇合適的參與者,最小化移動(dòng)距離和參與者的數(shù)量。文獻(xiàn)[18]提出一種數(shù)據(jù)質(zhì)量指導(dǎo)下的激勵(lì)機(jī)制設(shè)計(jì),采用擴(kuò)展期望最大化算法、最大似然估計(jì)和貝葉斯推理評(píng)估數(shù)據(jù)質(zhì)量,并進(jìn)一步應(yīng)用信息論衡量有效數(shù)據(jù)貢獻(xiàn),基于數(shù)據(jù)貢獻(xiàn)獎(jiǎng)勵(lì)參與者。文獻(xiàn)[19]提出一種服務(wù)效益感知的多任務(wù)分配策略,首先根據(jù)任務(wù)困難度、任務(wù)歷史、感知能力和感知積極性計(jì)算參與者的服務(wù)效益,然后通過改進(jìn)的模糊聚類方法聚類用戶,最后設(shè)計(jì)了一種梯度下降算法為任務(wù)匹配用戶?,F(xiàn)有參與者選擇策略往往只能滿足其單一優(yōu)化目標(biāo),而忽視用戶偏好和任務(wù)偏好等因素,這些因素對(duì)群智感知系統(tǒng)的發(fā)展至關(guān)重要。

        針對(duì)上述研究問題,筆者首先在傳統(tǒng)群智感知系統(tǒng)架構(gòu)下引入移動(dòng)邊緣計(jì)算,提出一種邊云協(xié)同的群智感知系統(tǒng)架構(gòu),整個(gè)感知過程由云平臺(tái)和邊緣節(jié)點(diǎn)協(xié)作執(zhí)行。然后在此基礎(chǔ)上,針對(duì)群智感知過程中的參與者選擇階段提出偏好感知的參與者選擇策略,為任務(wù)選擇合適的參與者。云平臺(tái)根據(jù)任務(wù)位置向邊緣節(jié)點(diǎn)分發(fā)任務(wù),邊緣節(jié)點(diǎn)在區(qū)域內(nèi)進(jìn)行參與者選擇,并將收集的數(shù)據(jù)上傳到云平臺(tái)??紤]用戶和任務(wù)雙方的不同偏好,根據(jù)任務(wù)的時(shí)間、位置、類型和獎(jiǎng)勵(lì)評(píng)估用戶對(duì)任務(wù)的偏好;根據(jù)用戶的聲譽(yù)和感知成本,評(píng)估任務(wù)對(duì)用戶的偏好。把群智感知中的參與者選擇問題建模為用戶與任務(wù)間的穩(wěn)定匹配問題,通過求解穩(wěn)定匹配最大化用戶偏好。

        1 系統(tǒng)模型

        首先提出群智感知系統(tǒng)的工作流程。如圖1所示,移動(dòng)群智感知系統(tǒng)模型由4部分組成:數(shù)據(jù)請(qǐng)求者、MCS云平臺(tái)、邊緣節(jié)點(diǎn)和移動(dòng)用戶(用戶區(qū)域)。數(shù)據(jù)請(qǐng)求者向MCS云平臺(tái)請(qǐng)求數(shù)據(jù),MCS云平臺(tái)根據(jù)請(qǐng)求信息生成一組任務(wù)集,根據(jù)任務(wù)的位置將任務(wù)子集發(fā)送至區(qū)域?qū)?yīng)的邊緣節(jié)點(diǎn)。邊緣節(jié)點(diǎn)向當(dāng)前區(qū)域用戶發(fā)布任務(wù)消息,區(qū)域內(nèi)想要參與任務(wù)的用戶會(huì)向邊緣節(jié)點(diǎn)發(fā)送任務(wù)請(qǐng)求。邊緣節(jié)點(diǎn)在區(qū)域內(nèi)進(jìn)行參與者選擇過程,完成用戶與任務(wù)間的匹配。最后,邊緣節(jié)點(diǎn)接收用戶提交的數(shù)據(jù)并最終上傳到云平臺(tái)。其中,任意兩個(gè)節(jié)點(diǎn)之間進(jìn)行的通信和數(shù)據(jù)流的傳輸需要移動(dòng)通信技術(shù)[20]的支持,保障群智感知系統(tǒng)各個(gè)階段的效率。主要研究群智感知中的參與者選擇階段,假設(shè)任意節(jié)點(diǎn)間可以正常通信,提出合適的參與者選擇策略。

        圖1 移動(dòng)群智感知系統(tǒng)模型

        考慮用戶和平臺(tái)不同的偏好,如何設(shè)計(jì)一種參與者選擇策略在保證數(shù)據(jù)質(zhì)量的同時(shí)使用戶方的偏好最大化,是研究的主要問題。群智感知中的參與者選擇可以看作用戶與任務(wù)間的匹配問題,穩(wěn)定匹配理論在具有雙方偏好的匹配問題中應(yīng)用廣泛,適用于學(xué)生擇校、婚姻匹配等各種場(chǎng)景[21]。在移動(dòng)群智感知中應(yīng)用穩(wěn)定匹配可以充分整合影響用戶和任務(wù)偏好的各種因素,并且實(shí)現(xiàn)匹配后雙方都能達(dá)到穩(wěn)定狀態(tài)??紤]到用戶感知能力受限,假定每個(gè)用戶只能完成一個(gè)任務(wù);而每個(gè)任務(wù)需要多個(gè)用戶共同完成以確保感知質(zhì)量。因此,筆者把用戶和任務(wù)之間的參與者選擇建模為多對(duì)一匹配模型,為每個(gè)任務(wù)選擇合適的參與者,以用戶偏好最大化為目標(biāo)求解雙方完全匹配下的穩(wěn)定匹配。

        首先給出用戶ui偏好任務(wù)集,記為ι(ui):

        ι(ui)={wj|?j∈[1,2,…,n]} ,

        (1)

        該集合為一個(gè)有序集,集合中的任務(wù)按照用戶對(duì)任務(wù)的偏好γi,j降序排列,集合中的任務(wù)數(shù)量為n。使用wj?uiwj′表示ui相對(duì)于wj′更喜歡wj。

        相似地,得到任務(wù)wj偏好用戶集,記為ι(wj):

        ι(wj)={ui|?i∈[1,2,…,m]} ,

        (2)

        該集合為一個(gè)有序集,集合中的用戶按照任務(wù)對(duì)用戶的偏好εj,i降序排列,集合中的用戶數(shù)量為m。使用ui?wjui′表示wj相對(duì)于ui′更喜歡ui。

        下面給出多對(duì)一穩(wěn)定匹配相關(guān)定義。

        定義1(匹配S)匹配S是用戶-任務(wù)對(duì)(ui,wj)的集合,S(ui)表示用戶ui在S中的匹配對(duì)象,S(wj)表示任務(wù)wj在S中的匹配對(duì)象。

        定義3(不穩(wěn)定對(duì))給定一個(gè)匹配S,在雙方完全匹配中一個(gè)用戶ui和一個(gè)任務(wù)wj組成一個(gè)不穩(wěn)定對(duì)(ui,wj),滿足wj?uiS(ui)并且存在一個(gè)子集U′?S(wj),{ui}?wjU′。

        定義4(穩(wěn)定匹配)如果匹配S中不包含任何不穩(wěn)定對(duì),那么匹配S為穩(wěn)定匹配。

        所提參與者選擇問題可以描述為:對(duì)于邊緣節(jié)點(diǎn)管理的區(qū)域,首先評(píng)估任務(wù)所需用戶總數(shù)k,然后從用戶集U中選擇k個(gè)用戶作為候選用戶Uk,與n個(gè)任務(wù)構(gòu)造穩(wěn)定匹配S,使得穩(wěn)定匹配S中每個(gè)用戶分配任務(wù)的用戶偏好最大化。

        (3)

        其中,S*為所有穩(wěn)定匹配構(gòu)成的集合。

        2 用戶和任務(wù)偏好評(píng)估

        主要評(píng)估用戶偏好和任務(wù)偏好的影響因素,邊緣節(jié)點(diǎn)根據(jù)這些因素量化用戶和任務(wù)的偏好。

        2.1 用戶偏好

        2.1.1 時(shí)間因素

        時(shí)間因素對(duì)用戶偏好具有重要影響。群智感知中的任務(wù)是有時(shí)間約束的,用戶在任務(wù)規(guī)定的持續(xù)時(shí)間內(nèi)任意時(shí)刻到達(dá)任務(wù)地點(diǎn)才能執(zhí)行任務(wù)。如果用戶到達(dá)時(shí)間超過了任務(wù)結(jié)束時(shí)間,則用戶無法完成感知任務(wù)。不同用戶空余時(shí)間是不同的,用戶更偏好那些在空余時(shí)間內(nèi)能夠完成的任務(wù)。根據(jù)任務(wù)的持續(xù)時(shí)間和用戶空余時(shí)間,邊緣節(jié)點(diǎn)首先計(jì)算用戶的有效時(shí)間,然后通過用戶執(zhí)行任務(wù)的有效時(shí)間與任務(wù)持續(xù)時(shí)間的比例評(píng)估用戶ui與任務(wù)wj的時(shí)間匹配度。分3種情況進(jìn)行討論:第1種是用戶結(jié)束時(shí)間為任務(wù)持續(xù)時(shí)間內(nèi)的某個(gè)時(shí)刻,此時(shí)用戶有效時(shí)間為用戶的空余時(shí)間;第2種是用戶結(jié)束時(shí)間小于任務(wù)開始時(shí)間或用戶開始時(shí)間大于任務(wù)結(jié)束時(shí)間,此時(shí)用戶有效時(shí)間為0;第3種是用戶開始時(shí)間小于任務(wù)結(jié)束時(shí)間,但用戶結(jié)束時(shí)間大于任務(wù)結(jié)束時(shí)間,此時(shí)用戶有效時(shí)間為任務(wù)結(jié)束時(shí)間與用戶開始時(shí)間的差值。用戶ui與任務(wù)wj的時(shí)間匹配度,記為Ξi,j:

        (4)

        2.1.2 距離因素

        群智感知中的任務(wù)是基于位置的。不同任務(wù)需要在不同的地點(diǎn)執(zhí)行,并且不同用戶所處位置也具有很大差異。用戶位置與任務(wù)位置間距離越大,用戶需要花費(fèi)越多的時(shí)間到達(dá)任務(wù)位置執(zhí)行任務(wù)。平臺(tái)發(fā)布任務(wù)時(shí),對(duì)每個(gè)任務(wù)都有一個(gè)有效覆蓋半徑Rj,處于任務(wù)有效覆蓋半徑的用戶更有可能完成任務(wù)。當(dāng)用戶與任務(wù)的位置距離超過有效覆蓋半徑,用戶與任務(wù)的距離匹配度隨兩者距離的增大而減小。假設(shè)任務(wù)存在最大距離Rmax,當(dāng)兩者間的距離超過最大距離時(shí),認(rèn)為用戶無法完成任務(wù)。邊緣節(jié)點(diǎn)根據(jù)用戶提交的位置信息以及任務(wù)位置計(jì)算用戶ui和任務(wù)wj的距離匹配度,記為Ψi,j:

        (5)

        其中,Di,j為用戶位置與任務(wù)所處位置間的歐式距離。

        2.1.3 任務(wù)類型因素

        在群智感知系統(tǒng)中,平臺(tái)發(fā)布任務(wù)具有不同的類型。任務(wù)大致可以劃分為3大類:環(huán)境現(xiàn)象類、基礎(chǔ)設(shè)施現(xiàn)象類、社交應(yīng)用類[1]。不同用戶對(duì)不同類型任務(wù)具有不同的偏好,用戶往往更想要或者有能力完成其中某一類任務(wù)。根據(jù)用戶一段時(shí)間內(nèi)完成任務(wù)的列表Lui計(jì)算用戶對(duì)任務(wù)wj的類別偏好,其中,Lui中任務(wù)wj所屬類型的任務(wù)個(gè)數(shù)越多,用戶ui對(duì)該任務(wù)wj的偏好越大,記為Ζi,j:

        (6)

        當(dāng)wi與wj類型相同時(shí),M(wi,wj)為1,否則為0。

        2.1.4 獎(jiǎng)勵(lì)因素

        平臺(tái)發(fā)布任務(wù)時(shí),往往會(huì)給出任務(wù)的預(yù)算。該預(yù)算用來彌補(bǔ)用戶感知過程的成本消耗,并激勵(lì)用戶積極參與感知任務(wù)。在用戶選擇自己偏好任務(wù)時(shí),任務(wù)獎(jiǎng)勵(lì)是需要考慮的。不同任務(wù)的預(yù)算不同,往往任務(wù)價(jià)值越大,執(zhí)行感知任務(wù)越困難,任務(wù)所需用戶數(shù)越多,任務(wù)預(yù)算越大。同時(shí)用戶感知成本也會(huì)影響用戶的獎(jiǎng)勵(lì)偏好,在相同的任務(wù)獎(jiǎng)勵(lì)下,感知成本越低,用戶需要付出的代價(jià)越小,用戶的獎(jiǎng)勵(lì)偏好越大。因此,首先通過任務(wù)的預(yù)算和所需用戶數(shù)計(jì)算參與者平均獎(jiǎng)勵(lì),結(jié)合感知成本計(jì)算用戶ui對(duì)任務(wù)wj的獎(jiǎng)勵(lì)偏好,記為Ωi,j:

        (7)

        其中,ci,j為用戶感知成本,在節(jié)2.2.2介紹。

        綜上所述,用戶與任務(wù)間的時(shí)間匹配度、距離匹配度、任務(wù)類型以及任務(wù)獎(jiǎng)勵(lì)都會(huì)影響用戶對(duì)任務(wù)的偏好,且用戶偏好與上述因素成正相關(guān)關(guān)系。用戶與任務(wù)的時(shí)間、距離越匹配以及用戶對(duì)任務(wù)的類型和獎(jiǎng)勵(lì)偏好越高,用戶對(duì)任務(wù)的偏好越大。參考文獻(xiàn)[10,22]中對(duì)用戶相關(guān)屬性的量化方式,計(jì)算用戶ui對(duì)任務(wù)wj的偏好,記為γi,j:

        γi,j=Ξi,jΨi,jΖi,jΩi,j。

        (8)

        2.2 任務(wù)偏好

        2.2.1 用戶聲譽(yù)

        參與者提交數(shù)據(jù)質(zhì)量對(duì)群智感知服務(wù)性能具有重要影響。高質(zhì)量的數(shù)據(jù)不僅可以提高數(shù)據(jù)請(qǐng)求者的滿意度,也能維持平臺(tái)高效運(yùn)行;反之,低質(zhì)量的數(shù)據(jù)降低了群智感知服務(wù)的可用性。聲譽(yù)指標(biāo)可以很好地反映用戶執(zhí)行感知任務(wù)的能力,通過考慮用戶歷史任務(wù)記錄來評(píng)估用戶的聲譽(yù)。在用戶歷史任務(wù)記錄中,用戶提交數(shù)據(jù)的準(zhǔn)確性是主要因素。

        假設(shè)用戶ui在執(zhí)行歷史任務(wù)wj時(shí)提交了一組數(shù)據(jù){d1,d2,…,dn},感知平臺(tái)計(jì)算的數(shù)據(jù)真值為d*,則通過均方根誤差來衡量一組感知數(shù)據(jù)的觀測(cè)值同真值之間的偏差αui(wj),對(duì)其進(jìn)行歸一化,得到參與者感知數(shù)據(jù)的準(zhǔn)確度,記為βui(wj):

        (9)

        (10)

        其中,αmin(wj)和αmax(wj)分別為執(zhí)行感知任務(wù)wj的所有用戶感知數(shù)據(jù)的最小偏差和最大偏差。

        (11)

        2.2.2 用戶感知成本

        邊緣節(jié)點(diǎn)通過考慮移動(dòng)成本、資源消耗成本和流量消耗成本實(shí)時(shí)評(píng)估用戶感知成本ci,j。其中,移動(dòng)成本表明用戶從當(dāng)前位置走到任務(wù)位置所產(chǎn)生的距離開銷,與用戶和任務(wù)間的距離有關(guān)。距離越大,移動(dòng)成本越大并且用戶每移動(dòng)單位距離會(huì)產(chǎn)生一個(gè)固定的開銷,ρdis為單位距離成本,與系統(tǒng)類型有關(guān)。資源消耗成本和流量消耗成本表明用戶執(zhí)行感知任務(wù)過程消耗的設(shè)備內(nèi)存、電量和流量。用戶執(zhí)行感知任務(wù)所需時(shí)間越長,資源消耗越多,ρres為單位時(shí)間資源消耗系數(shù),根據(jù)用戶自身設(shè)備可知;用戶感知數(shù)據(jù)量越大,上傳數(shù)據(jù)花費(fèi)的流量越多,其中ρdata為單位數(shù)據(jù)流量消耗系數(shù),由用戶提交的配置文件可得。因此,邊緣節(jié)點(diǎn)評(píng)估用戶ui完成任務(wù)wj的感知成本,記為ci,j:

        ci,j=ρdisDi,j+ρresΔt(wj)+ρdataowj,

        (12)

        其中,Di,j為用戶所需移動(dòng)距離,Δt(wj)為任務(wù)所需感知時(shí)間,owj為任務(wù)所需數(shù)據(jù)量。

        在評(píng)估任務(wù)對(duì)用戶的偏好時(shí),平臺(tái)更喜歡為任務(wù)選擇完成質(zhì)量較大的用戶。高質(zhì)量的用戶往往能夠提供高質(zhì)量的感知數(shù)據(jù),用戶聲譽(yù)代表用戶完成任務(wù)的質(zhì)量。另外,對(duì)于不同的任務(wù),用戶完成任務(wù)的感知成本不同,在用戶提供數(shù)據(jù)質(zhì)量相同的情況下,平臺(tái)更想要那些感知成本低的用戶。因此,通過用戶聲譽(yù)和感知成本來量化平臺(tái)中任務(wù)wj對(duì)用戶ui的偏好,記為εj,i:

        (13)

        3 參與者選擇策略

        筆者基于延遲接受機(jī)制[21]的思想實(shí)現(xiàn)多對(duì)一匹配條件下的穩(wěn)定匹配。算法從候選用戶集Uk中的每個(gè)用戶ui出發(fā),向用戶偏好列表l(ui)中的第一個(gè)任務(wù)wj發(fā)出匹配。任務(wù)集中的每個(gè)任務(wù)wj根據(jù)收到的用戶請(qǐng)求和所需用戶數(shù)rj限制最優(yōu)地選擇用戶子集。未被選擇的用戶開始下一輪的匹配,向偏好列表中的下一個(gè)未被選擇的任務(wù)發(fā)出匹配,然后相應(yīng)的任務(wù)根據(jù)當(dāng)前用戶集和新到達(dá)用戶最優(yōu)地更新當(dāng)前用戶集合,直到所有用戶找到自己匹配的任務(wù)。

        所提的參與者選擇算法如下。

        算法1基于穩(wěn)定匹配的參與者選擇算法(PSSM)。

        輸入:任務(wù)集W,用戶集U,l(ui),l(wj)。

        輸出:匹配S。

        初始化:S(ui)←φ,S(wj)←φ。

        ① 對(duì)用戶集U按照聲譽(yù)值降序排序

        ② 候選用戶集Uk←聲譽(yù)前k個(gè)用戶

        ③ whileUk不為φ

        ④ for?ui∈Uk

        ⑤ 選擇l(ui)中還未被選過的第一個(gè)任務(wù)

        ⑥ if (|S(wj)|

        ⑦S(ui)←wj

        ⑧S(wj)←S(wj)∪ui

        ⑨Uk←Ukui

        結(jié)論1PSSM算法是有窮的。

        證明 while循環(huán)中每個(gè)用戶最多向n個(gè)任務(wù)發(fā)出請(qǐng)求,所以最多在nk個(gè)請(qǐng)求后算法停止。

        結(jié)論2PSSM算法可以得到穩(wěn)定匹配。

        證明 假設(shè)匹配S中不包含匹配對(duì)(ui,wj)。第1種情況:ui從未向wj發(fā)出請(qǐng)求,得到ui比起wj更喜歡當(dāng)前匹配對(duì)象,因此(ui,wj)是穩(wěn)定對(duì);第2種情況:ui向wj發(fā)出了請(qǐng)求,但是wj拒絕或拋棄了ui,得到wj比起ui更喜歡當(dāng)前的匹配對(duì)象,(ui,wj)是穩(wěn)定對(duì)。因此,匹配S中不包含的對(duì)一定是穩(wěn)定對(duì),匹配S不包含不穩(wěn)定對(duì),所以,PSSM算法是穩(wěn)定的。

        結(jié)論3PSSM算法可以產(chǎn)生雙方完全匹配。

        證明 假設(shè)存在用戶ui在算法結(jié)束后未匹配到任務(wù)。由此可知,一定有一個(gè)任務(wù)wj的匹配對(duì)象沒有達(dá)到任務(wù)所需用戶數(shù)rj。根據(jù)算法,這種情況下任務(wù)wj一定會(huì)接收用戶ui發(fā)出的請(qǐng)求,所以用戶ui沒有向任務(wù)wj發(fā)出請(qǐng)求。根據(jù)算法,用戶ui向所有任務(wù)發(fā)出請(qǐng)求后才會(huì)終止,因此用戶ui向任務(wù)wj發(fā)出了請(qǐng)求。前后矛盾,假設(shè)不成立。所有用戶完全匹配,因此產(chǎn)生雙方完全匹配。

        結(jié)論4PSSM算法產(chǎn)生用戶最優(yōu)分配。

        證明 對(duì)于用戶ui,如果最后該用戶的匹配任務(wù)是在其偏好列表的第i位,那么在i位之前的那些任務(wù),他是匹配不到的。假設(shè)ui匹配到前面的任務(wù)wj(即wj一時(shí)糊涂答應(yīng)),那么任務(wù)wj必然會(huì)有比用戶ui更加偏好的對(duì)象uj(在當(dāng)時(shí)情況下,uj已經(jīng)向wj發(fā)出匹配)。uj在當(dāng)時(shí)向wj發(fā)出匹配,表明在偏好列表中wj之前的任務(wù)都拒絕了uj,如果wj也拒絕了uj,那么uj最后匹配到的任務(wù)必定排在wj后面。所以,uj和wj必然會(huì)構(gòu)成不穩(wěn)定對(duì)。假設(shè)不成立,因此PSSM算法產(chǎn)生用戶最佳分配。

        4 數(shù)值結(jié)果分析

        為了更好地體現(xiàn)參與者選擇策略PSSM的性能,與文獻(xiàn)[14]提出的TRIM機(jī)制和文獻(xiàn)[23]提出的IMRAL機(jī)制進(jìn)行對(duì)比。TRIM機(jī)制首先根據(jù)任務(wù)向量和用戶向量計(jì)算兩者的相似度并獲得候選用戶集,然后根據(jù)報(bào)酬和相似度比值確定最終用戶集。IMRAL機(jī)制針對(duì)每個(gè)任務(wù)選擇投標(biāo)與任務(wù)價(jià)值之比最小的用戶作為獲勝者,并根據(jù)臨界價(jià)格給出報(bào)酬。仿真性能指標(biāo)包括偏好程度、用戶滿意度、數(shù)據(jù)質(zhì)量和任務(wù)平均完成時(shí)間。具體仿真參數(shù)如表1所示。

        表1 仿真參數(shù)設(shè)置

        4.1 用戶偏好分析

        圖2 用戶和任務(wù)偏好程度分析

        圖2展示的是在單任務(wù)需求數(shù)為2時(shí),100個(gè)用戶與50個(gè)任務(wù)進(jìn)行穩(wěn)定匹配,得到的每個(gè)匹配對(duì)中用戶和任務(wù)各自的偏好程度。其中偏好程度表示每個(gè)匹配對(duì)中用戶匹配到的任務(wù)或任務(wù)匹配到的用戶在各自偏好列表中的排名,偏好程度越小,用戶或任務(wù)對(duì)匹配對(duì)象的偏好越高。從圖2中可以看到,在100個(gè)任務(wù)用戶匹配對(duì)中,大多數(shù)的小點(diǎn)處在小圓的下方,表明在得到的穩(wěn)定匹配中,用戶對(duì)各自匹配任務(wù)的偏好明顯優(yōu)于任務(wù)對(duì)用戶的偏好。這是因?yàn)楣P者提出的PSSM算法中對(duì)于每個(gè)用戶來說,匹配到的任務(wù)都是穩(wěn)定匹配條件下能夠匹配到的偏好最大的任務(wù),因此該算法可以實(shí)現(xiàn)用戶偏好最優(yōu)分配。

        圖3研究了在任務(wù)數(shù)量為10和單任務(wù)所需用戶數(shù)為3時(shí),任務(wù)總預(yù)算對(duì)用戶滿意度的影響。其中用戶滿意度表示為穩(wěn)定匹配對(duì)中用戶對(duì)任務(wù)的平均偏好值。隨著任務(wù)預(yù)算的增加,三種算法的用戶滿意度都會(huì)增加。其中,IMRAL算法的主要目的是提高用戶效用和任務(wù)覆蓋,任務(wù)預(yù)算的增加使所選用戶的效用提高,但由于沒有考慮用戶的偏好,用戶的滿意度比較低。相比于TRIM算法,PSSM算法以用戶偏好最大化為目標(biāo),因此PSSM算法中用戶滿意度最大。

        4.2 平臺(tái)效用分析

        圖4展示了在單任務(wù)需求用戶數(shù)為3時(shí)任務(wù)數(shù)量對(duì)整體數(shù)據(jù)質(zhì)量的影響。整體數(shù)據(jù)質(zhì)量定義為所有用戶提交數(shù)據(jù)質(zhì)量的均值,在這里用聲譽(yù)代表用戶提交數(shù)據(jù)的質(zhì)量。隨著任務(wù)數(shù)量的增加,整體數(shù)據(jù)質(zhì)量有所降低。這是由于在用戶資源有限的情況下,任務(wù)數(shù)量越多,任務(wù)所需的用戶數(shù)越多,提交低質(zhì)量數(shù)據(jù)的用戶會(huì)增多,導(dǎo)致數(shù)據(jù)質(zhì)量降低。其中,IMRAL算法的目的是提高用戶效用和任務(wù)覆蓋,但是沒有考慮用戶具體感知數(shù)據(jù)質(zhì)量,因此整體數(shù)據(jù)質(zhì)量較低。相比于TRIM算法,PSSM算法量化了用戶的聲譽(yù),并且從用戶集中優(yōu)選聲譽(yù)值高的用戶構(gòu)造候選用戶集,保證感知數(shù)據(jù)的質(zhì)量。

        圖3 任務(wù)總預(yù)算對(duì)用戶滿意度的影響

        圖4 任務(wù)數(shù)量對(duì)整體數(shù)據(jù)質(zhì)量的影響

        圖5展示了在任務(wù)數(shù)量為20和單任務(wù)需求用戶數(shù)為3時(shí),不同用戶數(shù)量對(duì)整體數(shù)據(jù)質(zhì)量的影響。隨著用戶數(shù)量的增加,整體數(shù)據(jù)質(zhì)量有所提高。由于在任務(wù)數(shù)量固定的情況下,任務(wù)所需的用戶數(shù)是固定的,隨著用戶數(shù)量的提高,用戶資源變得充足,平臺(tái)可以選擇更優(yōu)的用戶去執(zhí)行任務(wù),數(shù)據(jù)質(zhì)量有所提高。IMRAL機(jī)制主要優(yōu)化用戶效用,假定所有用戶提交數(shù)據(jù)質(zhì)量是一樣的,因此整體數(shù)據(jù)質(zhì)量較低。TRIM機(jī)制考慮用戶和任務(wù)間的相似度,并根據(jù)閾值優(yōu)化候選用戶集,數(shù)據(jù)質(zhì)量有所提高。而筆者提出的PSSM機(jī)制量化了用戶的聲譽(yù),并根據(jù)聲譽(yù)對(duì)匹配用戶進(jìn)行優(yōu)化,數(shù)據(jù)質(zhì)量較高。

        圖6展示了在任務(wù)數(shù)量為10和單任務(wù)需求用戶數(shù)為3時(shí),用戶數(shù)量對(duì)任務(wù)平均完成時(shí)間的影響。任務(wù)平均完成時(shí)間定義為用戶執(zhí)行感知任務(wù)所需的時(shí)間均值。隨著用戶數(shù)量的增多,任務(wù)平均完成時(shí)間有所下降。這是由于用戶數(shù)量的增多,導(dǎo)致用戶方的資源充足,有效降低任務(wù)完成時(shí)間。IMRAL機(jī)制主要優(yōu)化用戶效用,沒有考慮用戶的具體位置,任務(wù)完成時(shí)間最高。相比于TRIM,筆者提出的PSSM考慮了用戶可用時(shí)間和所處位置,并量化用戶的偏好,為用戶分配最優(yōu)偏好任務(wù),因此任務(wù)完成時(shí)間最低。

        圖5 用戶數(shù)量對(duì)整體數(shù)據(jù)質(zhì)量的影響

        圖6 用戶數(shù)量對(duì)任務(wù)平均完成時(shí)間的影響

        5 結(jié)束語

        筆者在結(jié)合移動(dòng)邊緣計(jì)算的移動(dòng)群智感知架構(gòu)下提出了一個(gè)偏好感知的參與者選擇策略,參與者選擇過程由云平臺(tái)和邊緣節(jié)點(diǎn)協(xié)作執(zhí)行??紤]用戶和任務(wù)不同的偏好,邊緣節(jié)點(diǎn)從任務(wù)時(shí)間、位置、類型和獎(jiǎng)勵(lì)方面對(duì)用戶偏好進(jìn)行量化,從用戶聲譽(yù)和感知成本方面對(duì)任務(wù)偏好進(jìn)行量化?;陔p方的偏好,在用戶與任務(wù)間構(gòu)造一個(gè)多對(duì)一穩(wěn)定匹配,使匹配后的每個(gè)用戶得到最優(yōu)分配任務(wù)。在未來的工作中,打算研究在用戶或任務(wù)動(dòng)態(tài)到達(dá)的情況下如何立即做出選擇,如何更好地實(shí)現(xiàn)邊云協(xié)同發(fā)揮移動(dòng)群智感知的優(yōu)勢(shì)等。

        猜你喜歡
        群智參與者節(jié)點(diǎn)
        軟件眾測(cè)服務(wù)模式探索與實(shí)踐
        CM節(jié)點(diǎn)控制在船舶上的應(yīng)用
        休閑跑步參與者心理和行為相關(guān)性的研究進(jìn)展
        Analysis of the characteristics of electronic equipment usage distance for common users
        物聯(lián)網(wǎng)時(shí)代移動(dòng)群智感知技術(shù)中的安全問題淺析
        線上教學(xué)平臺(tái)評(píng)價(jià)主體多元化的發(fā)展趨勢(shì)
        基于AutoCAD的門窗節(jié)點(diǎn)圖快速構(gòu)建
        基于開源和群智的軟件工程實(shí)踐教學(xué)方法
        淺析打破剛性兌付對(duì)債市參與者的影響
        海外僑領(lǐng)愿做“金絲帶”“參與者”和“連心橋”
        99久久人妻无码精品系列| 亚洲av无码片一区二区三区| 亚洲AⅤ精品一区二区三区| 午夜久久精品国产亚洲av| 亚洲一区二区免费日韩| 日韩美腿丝袜三区四区| 一区二区三区精品少妇| 亚洲国产一区二区三区在线观看| 国产精品久久久久电影网| 久久中文字幕日韩精品| 熟女丝袜美腿亚洲一区二区三区| 国产精品成人自拍在线观看| 丰满熟妇乱又伦精品| 9lporm自拍视频区| 欧美激情区| AV在线中出| 亚洲一区二区三区成人网| 亚洲人成欧美中文字幕| 激情偷乱人伦小说视频在线| 中文字幕Aⅴ人妻一区二区苍井空 亚洲中文字幕久久精品蜜桃 | 美腿丝袜视频在线观看| 国产精品内射久久一级二| 日韩人妻无码一区二区三区久久| 精品人妻少妇一区二区三区不卡 | 亚洲综合精品在线观看中文字幕 | 少妇私密会所按摩到高潮呻吟| 国产亚洲欧美成人久久片| 国产成年女人特黄特色毛片免 | 色婷婷亚洲一区二区三区| 亚洲国产中文在线二区三区免| 激情亚洲综合熟女婷婷| 国产三级视频不卡在线观看 | 欧美一区二区三区红桃小说| 全免费a级毛片免费看视频| 国产传媒剧情久久久av| 国产精品午夜夜伦鲁鲁| 亚洲日韩精品无码专区网站| 日本a在线免费观看| 日本女优中文字幕亚洲| 久久99亚洲精品久久久久| 亚洲老妇色熟女老太|